基于稀疏度阶数优化的未知杂波无源协同定位方法技术

本发明专利技术提出一种基于稀疏度阶数优化的未知杂波无源协同定位方法。该方法将稀疏度阶数优化的杂波密度估计器嵌入至高斯混合概率假设密度滤波器估计多目标状态和个数。首先通过门限技术和目标状态反馈剔除目标测量，从而获取杂波测量，其次从杂波测量中选取样本，通过GA‑SVR来拟合样本，最后通过梯度法求拟合曲线的极值点，极值点的横坐标向下取整即为最优化稀疏度阶数n。本发明专利技术能有效地提升杂波未知下的无源协同定位多目标跟踪性能，解决多目标跟踪的难题。

【技术实现步骤摘要】
基于稀疏度阶数优化的未知杂波无源协同定位方法
本专利技术属于目标检测跟踪领域，涉及一种基于稀疏度阶数优化的未知杂波无源协同定位方法。
技术介绍
无源协同定位(PassiveCoherentLocation,PCL)系统是由接收站与外辐射源信号组成的系统，通常将电视或广播信号作为外辐射源信号，外辐射源的直达波与经目标反射后被接收的反射波相干处理后可对目标进行定位。由于系统本身不发射电磁能量，具有较好的隐蔽性，同时PCL具有有效对付隐身目标、低成本等优势。将传统的数据关联滤波器应用于PCL系统具有高复杂度的特点，基于随机有限集理论的概率假设密度滤波器无需复杂的数据关联，可对目标状态和个数进行估计。PCL系统环境复杂多变，尤其在海岸线附近更为明显，在复杂的环境下杂波分布将不再均匀，当假设的杂波分布模型与实际的杂波分布不一致时将会影响目标跟踪的性能。传统的空间杂波稀疏度估计(SpatialClutterSparsityEstimation,SCSE)法可直接利用每帧测量数据中待计算杂波密度的测量点到另一个测量点之间的欧氏距离估计该测量位置的杂波密度，实时性好且易嵌入到不同滤波器，但存在稀疏度本文档来自技高网...

【技术保护点】
1.基于稀疏度阶数优化的未知杂波无源协同定位方法，其特征在于该方法包括以下步骤：步骤1、利用高斯混合概率假设密度滤波器的预测方程进行多目标强度预测；步骤2、杂波测量的选取利用门限技术和目标状态反馈获取落入高斯分量跟踪门内的近邻测量

【技术特征摘要】
1.基于稀疏度阶数优化的未知杂波无源协同定位方法，其特征在于该方法包括以下步骤：步骤1、利用高斯混合概率假设密度滤波器的预测方程进行多目标强度预测；步骤2、杂波测量的选取利用门限技术和目标状态反馈获取落入高斯分量跟踪门内的近邻测量记为潜在目标测量，得到当前杂波集步骤3、样本选取：从步骤2中的杂波集获取样本集(n,V(r(n)(y)))；步骤4、GA-SVR拟合样本：使用GA求解θ＝[C，ε，σ]T，并通过SVR来拟合样本；步骤5、极值点的求取：利用梯度法求取决策函数的极值点，极值点的横坐标向下取整即为最优化稀疏度阶数n，得到基于稀疏度阶数优化的杂波密度估计ck(z)；步骤6、多目标强度更新与高斯分量的修剪和合并；首先，利用估计的第k帧杂波密度ck(z)，结合高斯混合概率假设密度滤波器对预测强度函数中的高斯分量进行更新，得到多目标后验强度；然后，对后验强度函数中的高斯分量进行低权重修剪和邻近分量合并的操作，得到k时刻后验强度的高斯混合步骤7、利用步骤6获取的k时刻后验强度的高斯混合进行多目标状态提取。2.如权利要求1所述的基于稀疏度阶数优化的未知杂波无源协同定位方法，其特征在于步骤1具体是：如果已知k-1时刻多目标的后验强度的高斯混合为其中Jk-1为k-1时刻的高斯分量个数；则k时刻预测强度的高斯混合为其中为新生目标强度函数；Jγ，k为k时刻新生分量的个数，分别为k时刻的第i个新生分量的权重、均值和协方差；可得预测强度：其中Jk|k-1＝Jk-1+Jγ,k，3.如权利要求2所述的基于稀疏度阶数优化的未知杂波无源协同定位方法，其特征在于步骤2具体是：考虑到机载无源协同定位系统测量模型的非线性，利用高斯分量的均值和协方差通过无味变换得到第i个预测高斯分量的Sigma点集及其权重i＝1,...,Jk|k-1；Sigma点的预测测量值个数η＝0,...,L；然后，针对第i个存活高斯分量的跟踪门计算如下：其中g为跟踪门参数，由真实测量落入跟踪门内的概率PG确定，满足概率分布为服从测量维数D的卡方分布；潜在目标测量为跟踪门内的最近邻测量：4.如权利要求3所述的基于稀疏度阶数优化的未知杂波无源协同定位方法，其特征在于步骤3具体是：定义数集其中n为杂波稀疏度的近邻阶数，nmax为当前观测空间内的杂波测量个数；定义采样点为(n,V(r(n)(y)))，其中y为维数为l的...

【专利技术属性】
技术研发人员：郭云飞，钱恒泽，陈志坤，薛梦凡，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33